Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs

Resumo Técnico: Inferência em Cascata com Consciência de Segurança para Avaliação de Danos em Cultivos

Definição do Problema
No seguro agrícola baseado em imagens para pequenos agricultores, a estrutura de custos dos erros de classificação é fundamentalmente assimétrica. Um falso negativo (não detectar um cultivo danificado) resulta em um agricultor não receber o pagamento por perdas reais, uma consequência que é irreversível e financeiramente catastrófica. Por outro lado, um falso positivo (sinalizar um cultivo saudável como danificado) aciona uma revisão especializada desnecessária, o que é operacionalmente custoso, mas reversível. Os classificadores multiclasse padrão otimizam para a acurácia global, falhando em codificar essa assimetria em sua lógica de decisão. Além disso, os sistemas existentes frequentemente enfrentam dificuldades sob mudanças de distribuição no mundo real (ex: iluminação variável, ruído de sensores, dispositivos heterogêneos), onde os objetivos assimétricos codificados durante o treinamento não se traduzem de forma confiável em comportamentos assimétricos de segurança durante a implantação.

Metodologia: CascadeCropNet
Os autores propõem a CascadeCropNet, uma arquitetura em cascata de dois estágios projetada para operacionalizar restrições de segurança através do isolamento estrutural, em vez de apenas pelo design da função de perda.

1. Estágio 1: SentinelNet (Triagem): Um classificador binário leve (MobileNetV3-Large) realiza a triagem de saúde, distinguindo entre cultivos "Saudáveis" e "Danosos".

   • Restrição de Treinamento: O modelo é selecionado com base em uma restrição de segurança: o Recall sobre amostras Danosas ($Rec_{Damaged}$) deve ser $\ge 0,95$. Isso é imposto durante a seleção de checkpoints entre as épocas de treinamento, maximizando a precisão em amostras danosas sujeito a este piso rígido de recall.
   • Roteamento: Um limiar calibrado $\tau$ determina o roteamento. Se $P(Damaged|x) \ge \tau$, a amostra é escalonada para o segundo estágio; caso contrário, é prevista como Saudável.
   • Perda: Utiliza ClassBalancedFocalLoss com um peso pesado (5x) na tarefa binária de saúde para priorizar a acurácia da triagem.

2. Estágio 2: ExpertNet (Diagnóstico): Um modelo especialista (também MobileNetV3-Large) realiza a classificação detalhada entre tipos específicos de danos (Seca vs. Ervas Daninhas) apenas nas amostras roteadas pela SentinelNet.

   • Isolamento Arquitetural: Uma característica de design crítica é que a ExpertNet recebe imagens de um pipeline de pré-processamento limpo e controlado, independentemente da corrupção aplicada aos inputs da SentinelNet. Isso isola o componente de diagnóstico da degradação do input a montante.
   • Treinamento: Utiliza FocalLoss ($\gamma=2.0$) para lidar com o desequilíbrio de classes de 4:1 entre Ervas Daninhas e Seca, e emprega supervisão mascarada onde a cabeça de tipo de dano recebe gradientes apenas de amostras danosas.

3. Controle Operacional: O limiar $\tau$ é um parâmetro de tempo de implantação. Operadores podem navegar em uma fronteira de Pareto entre Carga do Especialista ($\rho$, a fração de amostras roteadas para o especialista) e Segurança ($Rec_{Damaged}$) sem retreinar o modelo.

Principais Contribuições

• Arquiteturais: Um framework com consciência de segurança que separa triagem de diagnóstico, localizando detecções perdidas no estágio de triagem em vez de tentar eliminá-las globalmente. Isso impõe uma estrutura de rótulos condicional (o tipo de dano só é significativo dada a presença de dano) ao nível da distribuição de entrada.
• Operacionais: Um mecanismo de roteamento baseado em limiar que permite o controle da relação segurança–eficiência em tempo de implantação. O sistema permite que operadores ajustem $\tau$ para equilibrar a carga de trabalho do especialista contra o risco de danos não detectados.
• Analíticas: Uma decomposição do comportamento do sistema demonstrando que a robustez sob corrupção de entrada surge do isolamento arquitetural (contenção de erro) em vez de robustez intrínseca do modelo. A lacuna representacional entre a cascata e uma linha de base plana reduz-se a +0,008 F1-macro sob avaliação justa, indicando que o ganho principal é estrutural, não representacional.

Resultados
Avaliado no dataset Eyes on the Ground (23.804 imagens de fazendas de milho de pequenos agricultores no Quênia):

• Desempenho de Segurança: Em $\tau = 0,5$, a cascata atinge $Rec_{Damaged} = 0,974$, reduzindo casos de danos perdidos em 54% em comparação com uma linha de base plana ($Rec_{Damaged} = 0,943$).
• Eficiência: Em $\tau = 0,5$, o sistema reduz o volume de inferência do especialista em 13,2% enquanto mantém o piso de segurança. Em $\tau = 0,6$, a carga do especialista é reduzida em 22,6%, embora o $Rec_{Damaged}$ caia para 0,929.
• Robustez: Sob corrupção de entrada (ruído de Campo e de Sensor) aplicada apenas aos inputs da Sentinel, as métricas diagnósticas da ExpertNet ($F1_{Expert}$, $F1_{DGT}$, $F1_{WED}$) permanecem estáveis dentro da precisão de medição. Em contraste, a linha de base plana degrada entre 17–35% nas tarefas.
  • Mecanismo: A corrupção aumenta a taxa de roteamento $\rho$ (a Sentinel torna-se incerta e escala mais amostras), mas os inputs da Expert permanecem limpos. O sistema falha em direção a uma consulta "segura" em vez de uma classificação errônea confiante.
• Modos de Falha: O sistema exibe um "modo de falha seguro" sob severa degradação de sensor: $\rho$ aproxima-se de 1,0 (quase todas as amostras são roteadas para a Expert), eliminando ganhos de eficiência, mas preservando a segurança. No entanto, se a corrupção atingir o pipeline de input da Expert, a garantia de isolamento falha e o desempenho colapsa.
• Limitações: O $F1_{DGT}$ (Seca) permanece em 0,791, insuficiente para confiabilidade de nível de tratamento devido à sobreposição visual com ervas daninhas e desequilíbrio de classes. Adicionalmente, o $Rec_{Healthy}$ é baixo (0,424 em $\tau=0,5$), refletindo o alto custo dos falsos negativos aceitos para cumprir o piso de segurança.

Significância e Alegações
O artigo argumenta que, para aplicações críticas de segurança como seguros agrícolas, a estrutura de decisão deve ser imposta ao nível do sistema em vez de ser inferida unicamente por funções de objetivo. Os autores alegam que:

1. O isolamento arquitetural fornece um mecanismo prático para mitigar o descompasso entre a codificação de risco em tempo de treinamento e o comportamento em tempo de implantação sob mudança de distribuição.
2. A calibragem de limiar permite o controle explícito, pós-treinamento, sobre a relação segurança–eficiência, tornando o sistema adaptável a diferentes restrições operacionais (ex: largura de banda do especialista vs. tolerância ao risco).
3. A robustez observada é condicional: ela depende da premissa de que o componente de diagnóstico (ExpertNet) recebe inputs limpos. O sistema não possui robustez intrínseca a todos os tipos de corrupção, mas contém erros ao rotear a incerteza para um especialista.

O trabalho conclui que, embora a cascata não resolva os desafios representacionais subjacentes de distinguir seca de ervas daninhas, ela operacionaliza com sucesso as restrições de segurança e a contenção de erros de uma forma que classificadores planos não conseguem, particularmente em ambientes onde a confiabilidade e a controlabilidade são priorizadas sobre a acurácia agregada.